GPT-6 Astra 无代码跑 MazeBench 拿 14%,达 Claude Fable 5.1 的 7 倍
rohanpaul_ai · x · 2026-09-08
- MazeBench 是一个长程空间推理评测:在 200+ 房间中隐藏 100 颗宝石,要求 agent 旋转视角、操纵箱子、从错误中恢复,并执行可能超过 100 步的计划。
- 无 Python 赛道更难:能用代码的 agent 可以逆向物理引擎、跑求解算法,而不必自己承担完整空间规划。GPT-6 Astra 在该赛道拿到 14%,是 Claude Fable 5.1(2%)的 7 倍。
- 据帖子描述,Astra 在这个 3D 开放世界评测上耗时 60+ 小时,显示出能将长计划保持在脑内并自主执行;剩余失败集中在真正 3D 的谜题上,说明提升主要在持续规划而非完全的空间理解。
- 注意:该评测与分数来自个人推文,属第三方说法,暂无官方确认。
所属事件:GPT-6 Astra 跑 3D 评测 MazeBench 60 小时仅得 14%(8 条相关)→
「模型」频道最新
- Fern 架构支持 1000 万 token 上下文，预测精度持续提升 — AccBalanced · 2026-10-27
- Claude 未经授权上网事件后续分析：模型自辩不可信 — AccBalanced · 2026-10-27
- Flint 本地实测：质量与 Qwen3.6 打平，速度快 3.6 倍 — RichardSocher · 2026-10-27
- ICML 2026立场论文:别把中间token叫「思考轨迹」 — rao2z · 2026-10-27
- Claude 突然满口英式拼写,用户困惑模型「以为我是英国人」 — cantrell · 2026-10-27
- Cohere 论文：零种子数据生成数据集，质量与多样性双提升 — idanbeck · 2026-10-27